Τα τελευταία χρόνια πραγματοποιούνται αξιόλογες προσπάθειες για την κατανόηση και την αντιμετώπιση γονιδιακών ασθενειών, δηλαδή ασθενειών που οφείλονται σε ανωμαλίες ή μεταλλάξεις στο γενετικό υλικό. Πρακτικά, μέσω της μελέτης του ανθρώπινου γονιδιώματος επιδιώκεται η χαρτογράφηση και η αποκωδικοποίηση αυτών των νόσων και των πολύπλοκων μηχανισμών λειτουργίας τους, κάτι που αποτελεί το πρώτο βήμα στον αγώνα τόσο για τον ακριβή καθορισμό και την κατανόηση των παραγόντων που συμβάλλουν στη γένεση και την εξέλιξή τους όσο και για την αποτελεσματική αντιμετώπιση και θεραπεία τους. Η παρούσα διπλωματική εργασία συντελεί στη μοντελοποίηση της ασθένειας της λευχαιμίας, μιας μορφής καρκίνου που προσβάλλει το αίμα ή το μυελό των οστών. Συγκεκριμένα, διαθέτοντας ένα σύνολο 251 γράφων, κάθε ένας από τους οποίους αποτυπώνει την πορεία/εξέλιξη μιας ακολουθίας ανοσοσφαιρίνης σε καρκινικά κύτταρα ενός ασθενή, στόχος είναι με τη χρήση τεχνικών εξόρυξης δεδομένων να ανακαλυφθούν χρήσιμα μοτίβα μεταξύ των δειγμάτων και να συνδεθούν μεταξύ τους για το σχηματισμό μεγαλύτερων υπερδικτύων που θα ερμηνεύουν και τη γενικότερη πορεία εξέλιξης της ασθένειας. Αρχικά, τα δεδομένα των παραπάνω γράφων τροποποιούνται κατάλληλα για την είσοδό τους στα εργαλεία της ανάλυσης και στη συνέχεια η συνολική μεθοδολογία διακλαδίζεται σε τρεις διαδικασίες. Στο πρώτο στάδιο εφαρμόζεται τεχνική Εξόρυξης Συχνών Υπογράφων (FSM) με χρήση του αλγόριθμου gSpan για την αναζήτηση υπογράφων ακριβείας που εμφανίζονται επανειλημμένα με ταυτόσημη δομή και πληροφορία σε ένα πλήθος από τα δείγματα εισόδου. Στο δεύτερο στάδιο εφαρμόζεται τεχνική Εξόρυξης Κανόνων Συσχέτισης (ARM) με χρήση του αλγόριθμου A – priori για την αναζήτηση εσωτερικών υπομοτίβων των αρχικών δειγμάτων με τη μορφή κανόνων, οι οποίοι εκφράζουν ισχυρές/πιθανές μεταβάσεις από ένα σύνολο μεταλλάξεων σε ένα επόμενο. Στο τρίτο στάδιο εφαρμόζεται εκ νέου η ίδια τεχνική σε ομαδοποιημένα πλέον υποσύνολα δειγμάτων και παρουσιάζονται συνδυασμένοι ισχυροί κανόνες που συνθέτουν υπερδίκτυα για συγκεκριμένες κατηγορίες δειγμάτων. Σε κάθε περίπτωση, όλα τα μοτίβα που αναδεικνύονται ταξινομούνται με βάση τον τύπο της ασθένειας και του γονιδίου ανοσοσφαιρίνης που προσβάλλεται. Τα αποτελέσματα που προκύπτουν είναι ποικιλόμορφα. Ανιχνεύονται ολιγάριθμα μοτίβα, μέτριου ή μικρού μεγέθους αλλά μεγάλης ακρίβειας στην πρώτη περίπτωση, περισσότερα και μεγαλύτερου εύρους αλλά πιθανοτικά, στατιστικά υπολογισμένα μοτίβα στη δεύτερη περίπτωση και μεγαλύτερα συνδυαστικά μοτίβα που αναφέρονται σε κοινή κατηγορία για την τελευταία περίπτωση. Επομένως, τα κατάλληλα μοτίβα για κάθε περίσταση δύνανται να μελετηθούν και να αξιοποιηθούν για την άντληση χρήσιμων συμπερασμάτων, όπως η αναγνώριση/ταυτοποίηση μοτίβων, η κατηγοριοποίηση περιπτώσεων ασθενών, η πρόβλεψη εξέλιξης μεταλλαγμένων ακολουθιών, η εκτίμηση της κλινικής πορείας και έκβασης περιστατικών και η διαμόρφωση του κατάλληλου χειρισμού και αγωγής.

1. ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ
ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ
ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
Διπλωματική Εργασία
Ένα Πλαίσιο Εξόρυξης Γράφων για την Εκτίμηση της Εξέλιξης
Ακολουθιών και Εφαρμογές του στη Βιοπληροφορική
Αμπραχαμιάν Σεροβπέ
ΑΕΜ: 8773
Επιβλέπων: Περικλής Α. Μήτκας, Καθηγητής Α.Π.Θ.
Συνεπιβλέπων: Θεμιστοκλής Διαμαντόπουλος, Μεταδιδακτορικός Ερευνητής
Συνεπιβλέπων: Φώτης Ε. Ψωμόπουλος, Κύριος Ερευνητής ΙΝΕΒ|ΕΚΕΤΑ
Εργαστήριο Ευφυών Συστημάτων και Τεχνολογίας Λογισμικού (ISSEL)
Θεσσαλονίκη, 3 Απριλίου 2023
1

2. Θέμα Διπλωματικής Εργασίας
• Με είσοδο ένα πλήθος διαφορετικών γράφων, κάθε
ένας από τους οποίους αποτυπώνει μια διαφορετική
πορεία/εξέλιξη μιας ακολουθίας ανοσοσφαιρίνης σε
καρκινικά κύτταρα ενός ασθενή με λευχαιμία,
Στόχος είναι:
 Να εντοπισθούν κοινά μοτίβα και να συνδεθούν
οι γράφοι σε μεγαλύτερα υπερδίκτυα, τα οποία
θα μπορούν να ερμηνεύουν και τη γενικότερη
πορεία εξέλιξης της ασθένειας.
2

3. Θεωρητικό Υπόβαθρο – Τι είναι η ανοσοσφαιρίνη
• Ανοσοσφαιρίνη – αντίσωμα => πρωτεΐνη => καταπολέμηση παθογόνων
μικροοργανισμών => διέγερση από αντιγόνο
• Δύο μεγάλες βαριές αλυσίδες (H) και δύο μικρές ελαφριές αλυσίδες (L)
• Σταθερή περιοχή => κοινή για όλα τα αντισώματα
Μεταβλητή περιοχή => εξαιρετικά ποικιλόμορφη
• Τεράστια ποικιλότητα αντισωμάτων =>
αναγνώριση εξίσου μεγάλης
ποικιλίας αντιγόνων
3

4. Θεωρητικό Υπόβαθρο
Τι είναι η λευχαιμία και πώς προκαλείται
• Λευχαιμία => καρκίνος του αίματος ή του μυελού των οστών =>
οξεία/χρόνια και λεμφοκυτταρική/μυελογενής.
• Χρόνια Λεμφοκυτταρική Λευχαιμία (CLL) => Β – λεμφοκύτταρα =>
υπερβολική παραγωγή ανώριμων μη φυσιολογικών μορφών.
• Φυσιολογικό: ενεργοποίηση με αντιγόνο => σωματική υπερμετάλλαξη
(SHM) => μεγάλο φάσμα αντισωμάτων => συγγενής ωρίμανση.
• Λευχαιμία: κάποιοι κλώνοι μεταλλάσσονται και αναπαράγονται
ανεξέλεγκτα => συσσώρευση καρκινικών κυττάρων.
 ΣΤΟΧΟΣ:
Μοντελοποίηση της πορείας εξέλιξης τέτοιων κλωνικών ακολουθιών
4

5. Γράφος – Παράδειγμα δείγματος
5

6. Δεδομένα Εισόδου – Παράδειγμα
αρχείου ομαδοποιημένων κλωνότυπων
6

7. Δεδομένα Εισόδου – Παράδειγμα αρχείου αλληλουχίας
βάσεων
7

8. Γενική Δομή Μεθοδολογίας
8

9. Κατηγορίες και Υποκατηγορίες
Δειγμάτων
Type of
Leukemia
Subtype of
Leukemia
Frequent Immunoglobulin
Genes
Number of
Samples
CLL Subset 2 IGHV3 – 21, IGLV3 – 21 73
CLL Subset 4 IGHV4 – 34 7
CLL Subset 6 IGHV1 – 69 4
CLL Subset 8 IGHV4 – 39 5
CLL Subset 169 IGHV3 – 48 7
CLL Non – Subset IGHV4 – 34 5
MBL Monoclonal IGHV3 – 23, IGLV2 – 14 41
MBL Oligoclonal
IGHV3 – 23,
IGHV4 – 34
48
SMZL N/A IGHV1 – 2 61
9

10. 1η Μέθοδος – Εξόρυξη Συχνών
Υπογράφων (FSM)
10

11. FSM – Γενική μορφή αρχείου εισόδου
gSpan
11

12. FSM - Αποτελέσματα
• 27 συχνοί μοναδιαίοι κόμβοι =>
π.χ. {a80g a82g g107c g129a a167t a193g} =>
support = 3 δείγματα, CLL Subset 2, IGLV3-21 =>
συχνά υποσύνολα μεταλλάξεων.
• 4 μέγιστοι συχνοί υπογράφοι =>
2-3 επίπεδα εξέλιξης =>
3-5 σημειακές μεταλλάξεις.
• Ελάχιστο support = 3, Μέγιστο support = 11 (για μοναδιαίο κόμβο).
12

13. FSM – 1ο παράδειγμα μοτίβου
CLL Subset 2. IGLV3-21. min_support = 3
13

14. FSM – 2ο παράδειγμα μοτίβου
Monoclonal MBL. IGLV2-14. min_support = 3 14

15. 2η Μέθοδος – Εξόρυξη Κανόνων
Συσχέτισης (ARM)
Κανόνες: A => B
15

16. ARM – Διαμόρφωση αρχείου
εισόδου A – priori
16

17. ARM – Διαδικασία εξόρυξης
17

18. Αποτελέσματα ARM – Μεμονωμένες
μεταλλάξεις
18

19. Αποτελέσματα ARM – Ζεύγη μεταλλάξεων (support)
19

20. Αποτελέσματα ARM – Ζεύγη μεταλλάξεων (confidence)
20

21. Αποτελέσματα ARM – Διάγραμμα
διασποράς (lift)
21

22. Αποτελέσματα ARM – Διάγραμμα
διασποράς (πλήθος μεταλλάξεων)
22

23. ARM – 1ο παράδειγμα μοτίβου
CLL Subset 169. IGHV3-48. min_support = 4. min_confidence = 80%
23

24. ARM – 2ο παράδειγμα μοτίβου
SMZL. IGHV3-23. min_support = 4. min_confidence = 80%
24

25. ARM – Αποτελέσματα
• 68 μέγιστοι συχνοί υπογράφοι =>
2-10 επίπεδα εξέλιξης =>
3-10 σημειακές μεταλλάξεις
• Ελάχιστο support = 4
Μέγιστο support = 36 (για σημειακή μετάλλαξη)
• Ελάχιστο confidence = 80%
Μέγιστο confidence = 100%
• Αύξηση τιμών:
- Μέσο support από 3 σε 4-6
- Εύρος από 2-3 επίπεδα εξέλιξης σε 2-10
- Πλήθος εμπλεκόμενων μεταλλάξεων από 3-5 σε 3-10
- Πλήθος ανακαλυφθέντων μοτίβων από 4 σε 68
25

26. 3η Μέθοδος – Σύνθεση Υπερδικτύων
και Αποτελέσματα
• Πρωταρχική ταξινόμηση βάσει γονιδίου => 5 υπερδίκτυα: IGHV3-21, IGHV3-23, IGHV4-34,
IGLV2-14, IGLV3-21.
• Δευτερογενής ταξινόμηση βάσει τύπου λευχαιμίας => 7 εξειδικευμένα υπερδίκτυα:
Ελάχιστο support = 3 – 5, Ελάχιστο confidence = 80%. 26

27. Σύνθεση υπερδικτύων βάσει γονιδίου
ανοσοσφαιρίνης - Παράδειγμα
IGHV3-21. min_support = 3. min_confidence = 80%
27

28. Σύνθεση υπερδικτύων βάσει γονιδίου
ανοσοσφαιρίνης - Παράδειγμα
IGHV3-21. min_support = 3. min_confidence = 80% 28

29. Σύνθεση υπερδικτύων βάσει γονιδίου
ανοσοσφαιρίνης - Παράδειγμα
IGHV3-21. min_support = 3. min_confidence = 80%
29

30. Σύνθεση Υπερδικτύων – Συστάδες και
κατηγορίες δειγμάτων
Immunoglobulin
Gene
Type of
Leukemia
Number of
Samples
Min
Support
Min
Confidence
IGHV3 – 21 CLL subset 2 24 3 (0.12) 80% (0.8)
IGHV3 – 21 MBL
3 (no strong
rules)
- -
IGHV3 – 21 SMZL
1 (not enough
samples)
- -
IGHV3 – 23 MBL 4 3 (0.75) 80% (0.8)
IGHV3 – 23 SMZL 9 3 (0.33) 80% (0.8)
IGHV4 – 34
CLL non –
subset
5 4 (0.8) 80% (0.8)
IGHV4 – 34 CLL subset 4
1 (not enough
samples)
- -
IGHV4 – 34 MBL 11 4 (0.36) 80% (0.8)
IGHV4 – 34 SMZL
8 (no strong
rules)
- -
IGLV2 – 14
monoclonal
MBL
11 3 (0.27) 80% (0.8)
IGLV3 – 21 CLL subset 2 44 5 (0.11) 80% (0.8)
IGLV3 – 21
monoclonal
MBL
1 (not enough
samples)
- -
30

31. Σύνθεση Υπερδικτύων – 1ο
παράδειγμα υπερδικτύου
Monoclonal MBL. IGLV2-14. min_support = 3. min_confidence = 80% 31

32. Σύνθεση Υπερδικτύων – 2ο
παράδειγμα υπερδικτύου
CLL Subset 2. IGLV3-21. min_support = 5. min_confidence = 80% 32

33. Συμπεράσματα και Συνολική Αξιολόγηση
• Τρεις μεθοδολογίες => αξιοσημείωτο πλήθος ποικιλόμορφων μοτίβων.
• Αποτελέσματα/Μοτίβα => 3 βασικές μεταβλητές:
 πλήθος και πληροφορία εξέλιξης μεταλλάξεων
 κατηγορία γονιδίου ανοσοσφαιρίνης
 κατηγορία τύπου ασθένειας.
• Ποιοτική αξιοποίηση => 3 κύριοι άξονες:
 αναγνώριση/ταυτοποίηση μοτίβων (pattern recognition)
 πρόβλεψη/εκτίμηση εξέλιξης καταστάσεων (evolution prediction)
 κατηγοριοποίηση περιστατικών (case classification).
• Ποσοτική αξιολόγηση => support, confidence και υπόλοιπες μετρικές =>
συχνότητα και ισχύς μοτίβων.
33

34. Μελλοντικές Επεκτάσεις
• Δημιουργία ενός γενετικού μοντέλου (generative model) από τους
γράφους που παράγονται.
• Επέκταση της μεθόδου ώστε να λαμβάνει υπόψη επιπλέον
κλινικοβιολογικά χαρακτηριστικά ανά δείγμα.
• Επέκταση της μεθόδου ώστε να αξιολογεί την εγγύτητα των αμινοξέων
στις μεταλλάξεις, με βάση τις φυσικοχημικές ιδιότητες.
• Διερεύνηση εφαρμογής της μεθόδου σε αντίστοιχα δεδομένα
χρονοσειρών και όχι απαραίτητα σε επιστήμες ζωής.
34

35. Σύνδεσμοι Εργαλείων
• IgIDivA (R): https://github.com/laurazara/IgIDivA
• gSpan (Python): https://github.com/betterenvi/gSpan
• A – priori (R): https://www.datacamp.com/tutorial/market-basket-
analysis-r
35

36. Ευχαριστίες
Ευχαριστώ πολύ τον κ. Μήτκα, όπως και τον κ.
Διαμαντόπουλο και τον κ. Ψωμόπουλο για την
εμπιστοσύνη τους και τη βοήθειά τους κατά τη
συγγραφή της παρούσας διπλωματικής.
36